| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景及意义 | 第9-11页 |
| 1.1.1 研究背景 | 第9-10页 |
| 1.1.2 研究意义 | 第10-11页 |
| 1.2 基于视频的行人流量的国内外研究现状 | 第11-13页 |
| 1.3 本文的研究内容与章节安排 | 第13-15页 |
| 第二章 视频图像预处理 | 第15-27页 |
| 2.1 颜色模型 | 第15-18页 |
| 2.1.1 RGB模型 | 第15-16页 |
| 2.1.2 YUV模型 | 第16页 |
| 2.1.3 HSV模型 | 第16-18页 |
| 2.2 图像预处理 | 第18-22页 |
| 2.2.1 噪声的产生 | 第18-19页 |
| 2.2.2 噪声的消除 | 第19-21页 |
| 2.2.3 图像二值化 | 第21-22页 |
| 2.3 数学形态学 | 第22-26页 |
| 2.3.1 腐蚀 | 第23页 |
| 2.3.2 膨胀 | 第23-24页 |
| 2.3.3 开运算 | 第24-25页 |
| 2.3.4 闭运算 | 第25-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第三章 运动目标的检测与跟踪 | 第27-55页 |
| 3.1 运动目标检测 | 第27-41页 |
| 3.1.1 帧间差分法 | 第27-30页 |
| 3.1.2 光流法 | 第30-31页 |
| 3.1.3 背景差分法 | 第31-34页 |
| 3.1.4 基于自适应高斯混合模型的背景差分法 | 第34-41页 |
| 3.2 运动目标跟踪 | 第41-54页 |
| 3.2.1 均值漂移算法 | 第41-44页 |
| 3.2.2 kalman滤波 | 第44-47页 |
| 3.2.3 粒子滤波 | 第47-52页 |
| 3.2.4 基于Kalman和Mean Shift的视频跟踪算法 | 第52-54页 |
| 3.3 本章小结 | 第54-55页 |
| 第四章 行人计数的研究方法 | 第55-66页 |
| 4.1 虚拟门 | 第55-56页 |
| 4.2 双线法 | 第56-59页 |
| 4.3 基于轨迹的计数方法 | 第59-60页 |
| 4.4 基于视频图像的井线轨迹计数方法 | 第60-65页 |
| 4.5 本章小结 | 第65-66页 |
| 第五章 基于视频的行人流量系统模型的设计 | 第66-82页 |
| 5.1 行人流量系统模型的设计与实现 | 第66-70页 |
| 5.1.1 算法设计 | 第66-68页 |
| 5.1.2 系统界面设计 | 第68-70页 |
| 5.2 实验结果及分析 | 第70-81页 |
| 5.2.1 系统性能的评价指标 | 第70-71页 |
| 5.2.2 实验环境 | 第71页 |
| 5.2.3 实验结果分析 | 第71-81页 |
| 5.3 本章小结 | 第81-82页 |
| 第六章 总结与展望 | 第82-84页 |
| 6.1 本文总结 | 第82页 |
| 6.2 展望 | 第82-84页 |
| 参考文献 | 第84-89页 |
| 致谢 | 第89页 |